R语言与机器学习学习笔记（分类算法）（2）决策树算法

算法二：决策树算法

决策树定义

        首先，我们来谈谈什么是决策树。我们还是以鸢尾花为例子来说明这个问题。

       观察上图，我们判决鸢尾花的思考过程可以这么来描述：花瓣的长度小于2.4cm的是setosa（图中绿色的分类），长度大于1cm的呢？我们通过宽度来判别，宽度小于1.8cm的是versicolor（图中红色的分类），其余的就是virginica（图中黑色的分类）

      我们用图形来形象的展示我们的思考过程便得到了这么一棵决策树：

         这种从数据产生决策树的机器学习技术叫做决策树学习, 通俗点说就是决策树，说白了，这是一种依托于分类、训练上的预测树，根据已知预测、归类未来。

       前面我们介绍的k-近邻算法也可以完成很多分类任务，但是他的缺点就是含义不清，说不清数据的内在逻辑，而决策树则很好地解决了这个问题，他十分好理解。从存储的角度来说，决策树解放了存储训练集的空间，毕竟与一棵树的存储空间相比，训练集的存储需求空间太大了。

决策树的构建

  一、KD3的想法与实现

      下面我们就要来解决一个很重要的问题：如何构造一棵决策树？这涉及十分有趣的细节。

      先说说构造的基本步骤，一般来说，决策树的构造主要由两个阶段组成:第一阶段，生成树阶段。选取部分受训数据建立决策树，决策树是按广度优先建立直到每个叶节点包括相同的类标记为止。第二阶段，决策树修剪阶段。用剩余数据检验决策树，如果所建立的决策树不能正确回答所研究的问题，我们要对决策树进行修剪直到建立一棵正确的决策树。这样在决策树每个内部节点处进行属性值的比较，在叶节点得到结论。从根节点到叶节点的一条路径就对应着一条规则，整棵决策树就对应着一组表达式规则。

      问题：我们如何确定起决定作用的划分变量。

       我还是用鸢尾花的例子来说这个问题思考的必要性。使用不同的思考方式，我们不难发现下面的决策树也是可以把鸢尾花分成3类的。

        为了找到决定性特征，划分出最佳结果，我们必须认真评估每个特征。通常划分的办法为信息增益和基尼不纯指数，对应的算法为C4.5和CART。

        关于信息增益和熵的定义烦请参阅百度百科，这里不再赘述。

        直接给出计算熵与信息增益的R代码：

1、  计算给定数据集的熵

calcent<-function(data){
   nument<-length(data[,1])
   key<-rep("a",nument)
   for(i in 1:nument)
       key[i]<-data[i,length(data)]
   ent<-0
   prob<-table(key)/nument
   for(i in 1:length(prob))
   ent=ent-prob[i]*log(prob[i],2)
   return(ent)
}

           我们这里把最后一列作为衡量熵的指标，例如数据集mudat(自己定义的)

> mudat

  x y z

1 1 1 y

2 1 1 y

3 1 0 n

4 0 1 n

5 0 1 n

计算熵

> calcent(mudat)

        1

0.9709506

     熵越高，混合的数据也越多。得到熵之后，我们就可以按照获取最大信息增益的方法划分数据集